Varlık yönetiminde portföy yöneticilerinin, riskleri ve fırsatları belirlemek ve yatırım kararlarına rehberlik etmek için yatırım evrenlerindeki şirketleri yakından izlemeleri gerekir. Kazanç raporları veya kredi notlarındaki düşüşler gibi doğrudan olayları takip etmek basittir; şirket adlarını içeren haberleri yöneticilere bildirmek için uyarılar ayarlayabilirsiniz. Ancak bir şirketin ekosistemindeki tedarikçiler, müşteriler, iş ortakları veya diğer kuruluşlardaki olaylardan kaynaklanan ikinci ve üçüncü dereceden etkilerin tespit edilmesi zordur.

Örneğin, önemli bir tedarikçideki tedarik zincirinin kesintiye uğraması, alt imalatçıları muhtemelen olumsuz etkileyecektir. Veya büyük bir müşterinin en iyi müşterisini kaybetmesi, tedarikçi için talep riski oluşturur. Çoğu zaman bu tür olaylar, etkilenen şirketi doğrudan öne çıkaran manşetlerde yer almaz, ancak yine de dikkat edilmesi önemlidir. Bu yazıda bilgi grafiklerini birleştiren otomatik bir çözüm gösteriyoruz. üretken yapay zeka (AI) İlişki haritalarını gerçek zamanlı haberlerle çapraz referanslayarak bu tür riskleri ortaya çıkarmak.

Genel olarak bu, iki adımı gerektirir: Birincisi, şirketler (müşteriler, tedarikçiler, yöneticiler) arasındaki karmaşık ilişkileri bir bilgi grafiğine dönüştürmek. İkincisi, haber olaylarından kaynaklanan ikinci ve üçüncü derece etkileri tespit etmek için bu grafik veritabanını üretken yapay zeka ile birlikte kullanmak. Örneğin bu çözüm, bir parça tedarikçisindeki gecikmelerin, hiçbirine doğrudan referans verilmese de bir portföydeki alt otomobil üreticilerinin üretimini kesintiye uğratabileceğini vurgulayabilir.

AWS ile bu çözümü sunucusuz, ölçeklenebilir ve tamamen olay odaklı bir mimaride dağıtabilirsiniz. Bu gönderi, grafik bilgisi gösterimi ve doğal dil işleme için çok uygun olan iki önemli AWS hizmeti üzerine oluşturulmuş bir kavram kanıtını göstermektedir: Amazon Neptün ve Amazon Ana Kayası. Neptune, yüksek düzeyde bağlantılı veri kümeleriyle çalışan uygulamaları oluşturmayı ve çalıştırmayı kolaylaştıran hızlı, güvenilir, tam olarak yönetilen bir grafik veritabanı hizmetidir. Amazon Bedrock, AI21 Labs, Anthropic, Cohere, Meta, Stability AI ve Amazon gibi önde gelen AI şirketlerinin yüksek performanslı temel modelleri (FM'ler) seçeneklerini tek bir API aracılığıyla geniş bir yelpazede sunan, tümüyle yönetilen bir hizmettir. güvenlik, gizlilik ve sorumlu yapay zeka ile üretken yapay zeka uygulamaları oluşturma yetenekleri.

Genel olarak bu prototip, bilgi grafikleri ve farklı noktaları birleştirerek sinyaller türeten üretken yapay zeka ile mümkün olma sanatını gösteriyor. Yatırım profesyonelleri için paket, gürültüden kaçınırken sinyale daha yakın olan gelişmelerden haberdar olma yeteneğidir.

Bilgi grafiğini oluşturun

Bu çözümün ilk adımı bir bilgi grafiği oluşturmaktır ve bilgi grafikleri için değerli ancak çoğunlukla gözden kaçırılan bir veri kaynağı da şirketin yıllık raporlarıdır. Resmi kurumsal yayınlar yayınlanmadan önce incelemeye tabi tutulduklarından içerdikleri bilgilerin doğru ve güvenilir olması muhtemeldir. Ancak yıllık raporlar, makine tüketiminden ziyade insanların okuması için yapılandırılmamış bir formatta yazılmaktadır. Potansiyellerini açığa çıkarmak için içerdikleri zengin gerçekleri ve ilişkileri sistematik olarak çıkarmanın ve yapılandırmanın bir yoluna ihtiyacınız var.

Amazon Bedrock gibi üretken yapay zeka hizmetleriyle artık bu süreci otomatikleştirme olanağına sahipsiniz. Yıllık bir rapor alabilir ve raporu almak için bir işleme hattını tetikleyebilir, onu daha küçük parçalara ayırabilir ve göze çarpan varlıkları ve ilişkileri ortaya çıkarmak için doğal dil anlayışını uygulayabilirsiniz.

Örneğin, "[Şirket A], Avrupa elektrik dağıtım filosunu [Şirket B]'den 1,800 elektrikli kamyonet siparişi ile genişletti" ifadesini içeren bir cümle, Amazon Bedrock'un aşağıdakileri tanımlamasına olanak tanır:

• [Şirket A] müşteri olarak
• [Şirket B] tedarikçi olarak
• [Şirket A] ve [Şirket B] arasındaki tedarikçi ilişkisi
• "Elektrikli dağıtım kamyoneti tedarikçisi"nin ilişki ayrıntıları

Bu tür yapılandırılmış verilerin yapılandırılmamış belgelerden çıkarılması, büyük dil modellerine (LLM'ler) dikkatle hazırlanmış istemlerin sağlanmasını gerektirir; böylece şirketler ve insanlar gibi varlıkların yanı sıra müşteriler, tedarikçiler ve daha fazlası gibi ilişkileri ortaya çıkarmak için metni analiz edebilirler. Bilgi istemleri, nelere dikkat edilmesi gerektiği ve verilerin geri döndürüleceği yapı hakkında net talimatlar içerir. Bu süreci yıllık raporun tamamında tekrarlayarak, zengin bir bilgi grafiği oluşturmak için ilgili varlıkları ve ilişkileri çıkarabilirsiniz.

Ancak çıkarılan bilgileri bilgi grafiğine aktarmadan önce varlıkların belirsizliğini gidermeniz gerekir. Örneğin, bilgi grafiğinde zaten başka bir '[Şirket A]' varlığı olabilir, ancak aynı ada sahip farklı bir kuruluşu temsil ediyor olabilir. Amazon Bedrock, iki varlığın gerçekten farklı olup olmadığını belirlemek için iş odak alanı, sektör ve gelir getiren endüstriler ve diğer varlıklarla ilişkiler gibi özellikleri mantık yürütebilir ve karşılaştırabilir. Bu, ilgisiz şirketlerin tek bir kuruluşta hatalı bir şekilde birleştirilmesini önler.

Belirsizliği giderme işlemi tamamlandıktan sonra, Neptune bilgi grafiğinize güvenilir bir şekilde yeni varlıklar ve ilişkiler ekleyerek onu yıllık raporlardan elde edilen gerçeklerle zenginleştirebilirsiniz. Zamanla, güvenilir verilerin alınması ve daha güvenilir veri kaynaklarının entegrasyonu, grafik sorguları ve analizler yoluyla içgörülerin ortaya çıkarılmasını destekleyebilecek kapsamlı bir bilgi grafiği oluşturulmasına yardımcı olacaktır.

Üretken yapay zeka tarafından sağlanan bu otomasyon, binlerce yıllık raporun işlenmesini mümkün kılar ve aksi takdirde ihtiyaç duyulan aşırı derecede yüksek manuel çaba nedeniyle kullanılamayacak olan bilgi grafiği düzenlemesi için paha biçilmez bir varlığın kilidini açar.

Aşağıdaki ekran görüntüsü, Neptün grafiği veritabanında mümkün olan görsel keşif örneğini göstermektedir. Grafik Gezgini aracı.

Haber makalelerini işleyin

Çözümün bir sonraki adımı, portföy yöneticilerinin haber akışlarını otomatik olarak zenginleştirmek ve ilgi alanları ve yatırımlarıyla ilgili makaleleri öne çıkarmaktır. Haber akışı için portföy yöneticileri herhangi bir üçüncü taraf haber sağlayıcısına abone olabilir. AWS Veri Değişimi veya seçtikleri başka bir haber API'sı.

Bir haber makalesi sisteme girdiğinde içeriği işlemek için bir besleme hattı çağrılır. Yıllık raporların işlenmesine benzer teknikler kullanan Amazon Bedrock, haber makalesinden varlıkları, nitelikleri ve ilişkileri çıkarmak için kullanılır; bunlar daha sonra bilgi grafiğindeki ilgili varlığı tanımlamak için bilgi grafiğindeki belirsizliği ortadan kaldırmak için kullanılır.

Bilgi grafiği şirketler ve insanlar arasındaki bağlantıları içerir ve makale varlıklarını mevcut düğümlere bağlayarak herhangi bir konunun portföy yöneticisinin yatırım yaptığı veya ilgilendiği şirketlerin iki atlama noktası içinde olup olmadığını belirleyebilirsiniz. makale portföy yöneticisiyle alakalı olabilir ve temel veriler bir bilgi grafiğinde temsil edildiğinden, portföy yöneticisinin bu bağlamın neden ve nasıl alakalı olduğunu anlamasına yardımcı olmak için görselleştirilebilir. Portföy bağlantılarını tanımlamanın yanı sıra, Amazon Bedrock'u başvurulan varlıklar üzerinde duyarlılık analizi gerçekleştirmek için de kullanabilirsiniz.

Nihai çıktı, portföy yöneticisinin ilgi alanlarını ve yatırımlarını etkilemesi muhtemel makaleleri ortaya çıkaran zenginleştirilmiş bir haber akışıdır.

Çözüme genel bakış

Çözümün genel mimarisi aşağıdaki diyagrama benzer.

İş akışı aşağıdaki adımlardan oluşur:

1. Bir kullanıcı resmi raporları (PDF formatında) bir Amazon Basit Depolama Hizmeti (Amazon S3) kovası. Yanlış verilerin bilgi grafiğinize dahil edilmesini en aza indirmek için (haberler ve magazin dergilerinin aksine) raporların resmi olarak yayınlanmış raporlar olması gerekir.
2. S3 olay bildirimi bir çağrıyı başlatır AWS Lambda S3 grubunu ve dosya adını bir sunucuya gönderen işlev Amazon Basit Kuyruk Hizmeti (Amazon SQS) kuyruğu. İlk Giren İlk Çıkar (FIFO) kuyruğu, bilgi grafiğinize yinelenen veri girme olasılığını azaltmak için rapor alma işleminin sırayla gerçekleştirilmesini sağlar.
3. An Amazon EventBridge zamana dayalı etkinlik, bir koşuyu başlatmak için her dakika çalışır. AWS Basamak İşlevleri durum makinesini eşzamansız olarak çalıştırır.
4. Step Functions durum makinesi, yüklenen belgeyi önemli bilgileri çıkarıp bilgi grafiğinize ekleyerek işlemek için bir dizi görevi yerine getirir:
   1. Amazon SQS'den kuyruk mesajını alın.
   2. PDF rapor dosyasını Amazon S3'ten indirin, işlenmek üzere birden fazla küçük metin parçasına (yaklaşık 1,000 kelime) bölün ve metin parçalarını Amazon DinamoDB.
   3. Raporun atıfta bulunduğu ana varlığı ve ilgili nitelikleri (sektör gibi) belirlemek amacıyla ilk birkaç metin parçasını işlemek için Amazon Bedrock'ta Anthropic'in Claude v3 Sonnet'ini kullanın.
   4. DynamoDB'den metin parçalarını alın ve her metin parçası için Amazon Bedrock'u kullanarak varlıkları (şirket veya kişi gibi) ve bunların ana varlıkla olan ilişkilerini (müşteri, tedarikçi, iş ortağı, rakip veya yönetici) çıkarmak için bir Lambda işlevini çağırın .
   5. Çıkarılan tüm bilgileri birleştirin.
   6. Amazon Bedrock'u kullanarak gürültüyü ve alakasız varlıkları (örneğin, "tüketiciler" gibi genel terimler) filtreleyin.
   7. Çıkarılan bilgileri bilgi grafiğinden benzer varlıklar listesine göre kullanarak mantık yürüterek belirsizliği ortadan kaldırmak için Amazon Bedrock'u kullanın. Varlık mevcut değilse ekleyin. Aksi takdirde, bilgi grafiğinde zaten mevcut olan varlığı kullanın. Çıkarılan tüm ilişkileri ekleyin.
   8. SQS kuyruk mesajını ve S3 dosyasını silerek temizleyin.
5. Bir kullanıcı, varlık, duygu ve bağlantı yolu bilgileriyle desteklenen haber makalelerini görüntülemek için React tabanlı bir web uygulamasına erişir.
6. Kullanıcı, web uygulamasını kullanarak izlenecek bağlantı yolundaki atlama sayısını (varsayılan N=2) belirtir.
7. Kullanıcı, web uygulamasını kullanarak izlenecek varlıkların listesini belirler.
8. Kullanıcı, kurgusal haberler üretmek için Örnek Haber Oluşturun haber alma sürecine aktarılacak rastgele içeriğe sahip 10 örnek finans haber makalesi oluşturmak. İçerik Amazon Bedrock kullanılarak oluşturulmuştur ve tamamen kurgusaldır.
9. Gerçek haberleri indirmek için kullanıcı şunları seçer: Son Haberleri İndir Bugün gerçekleşen en önemli haberleri indirmek için (NewsAPI.org tarafından desteklenmektedir).
10. Haber dosyası (TXT formatı) bir S3 klasörüne yüklenir. 8. ve 9. adımlar, haberleri S3 klasörüne otomatik olarak yükler, ancak haber makalelerini S3 klasörüne dosya olarak bırakmak için AWS Data Exchange gibi tercih ettiğiniz haber sağlayıcıyla veya herhangi bir üçüncü taraf haber sağlayıcıyla entegrasyonlar da oluşturabilirsiniz. Haber veri dosyası içeriği şu şekilde biçimlendirilmelidir: <date>{dd mmm yyyy}</date><title>{title}</title><text>{news content}</text>.
11. S3 olay bildirimi, S3 kümesini veya dosya adını, haber verilerini paralel olarak işlemek için birden fazla Lambda işlevini çağıran Amazon SQS'ye (standart) gönderir:
    1. Haberlerde adı geçen varlıkları, söz konusu kuruluşla ilgili tüm ilgili bilgiler, ilişkiler ve görüşlerle birlikte çıkarmak için Amazon Bedrock'u kullanın.
    2. Bilgi grafiğini kontrol edin ve ilgili varlığı tanımlamak için haberlerden ve bilgi grafiğinden elde edilen mevcut bilgileri kullanarak mantık yürüterek belirsizliği ortadan kaldırmak için Amazon Bedrock'u kullanın.
    3. Varlığın konumu belirlendikten sonra, ile işaretlenmiş varlıklara bağlanan tüm bağlantı yollarını arayın ve geri getirin. INTERESTED=YES bilgi grafiğinde N=2 atlama mesafesinde olan yerler.
12. Web uygulaması, web uygulamasında görüntülenecek en son işlenmiş haber grubunu çıkarmak için her 1 saniyede bir otomatik olarak yenilenir.

Prototipi dağıtın

Prototip çözümünü dağıtabilir ve kendiniz denemeye başlayabilirsiniz. Prototip şuradan temin edilebilir: GitHub ve aşağıdakilerle ilgili ayrıntıları içerir:

• Dağıtım önkoşulları
• Dağıtım adımları
• Temizleme adımları

Özet

Bu gönderi, portföy yöneticilerinin takip ettikleri şirketlere doğrudan atıfta bulunmadan, haber olaylarından kaynaklanan ikinci ve üçüncü dereceden riskleri tespit etmelerine yardımcı olacak bir kavram kanıtı çözümünü gösterdi. Karmaşık şirket ilişkilerine ilişkin bilgi grafiğini, üretken yapay zekayı kullanan gerçek zamanlı haber analiziyle birleştirerek, tedarikçi aksaklıklarından kaynaklanan üretim gecikmeleri gibi aşağı yöndeki etkiler vurgulanabilir.

Her ne kadar yalnızca bir prototip olsa da bu çözüm, noktaları birleştirmek ve gürültüden sinyaller elde etmek için bilgi grafikleri ve dil modellerinin vaadini gösteriyor. Bu teknolojiler, ilişki haritalamaları ve akıl yürütme yoluyla riskleri daha hızlı ortaya çıkararak yatırım profesyonellerine yardımcı olabilir. Genel olarak bu, yatırım analizini ve karar almayı artırmak için araştırmayı garanti eden, grafik veritabanlarının ve yapay zekanın umut verici bir uygulamasıdır.

Finansal hizmetlerde üretken yapay zekaya ilişkin bu örnek işletmenizin ilgisini çekiyorsa veya benzer bir fikriniz varsa AWS hesap yöneticinizle iletişime geçin; biz de sizinle birlikte daha fazla araştırma yapmaktan memnuniyet duyarız.

---

Yazar Hakkında

Xan Huang AWS'de Kıdemli Çözüm Mimarıdır ve merkezi Singapur'dadır. Bulutta güvenli, ölçeklenebilir ve yüksek oranda kullanılabilir çözümler tasarlamak ve oluşturmak için büyük finans kurumlarıyla birlikte çalışıyor. Xan, iş dışında boş zamanlarının çoğunu ailesiyle geçiriyor ve 3 yaşındaki kızının patronluğu altında kalıyor. Xan'ı şu adreste bulabilirsiniz: LinkedIn.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/uncover-hidden-connections-in-unstructured-financial-data-with-amazon-bedrock-and-amazon-neptune/